Question

我将TensorFlow代码从旧队列界面更改为新Dataset API。使用旧接口，我可以为num_threads队列指定tf.train.shuffle_batch参数。但是，控制数据集API中线程数量的唯一方法似乎是使用map参数在num_parallel_calls函数中。但是，我使用的是flat_map函数，而且没有这样的参数。

问题：有没有办法控制flat_map函数的线程/进程数？或者是否可以将map与flat_map结合使用并仍然指定并行调用的数量？

请注意，并行运行多个线程至关重要，因为我打算在数据进入队列之前在CPU上运行大量的预处理。

GitHub上有两篇（here和here）相关帖子，但我不认为他们回答了这个问题。

以下是我用例的最小代码示例：

with tf.Graph().as_default():
    data = tf.ones(shape=(10, 512), dtype=tf.float32, name="data")
    input_tensors = (data,)

    def pre_processing_func(data_):
        # normally I would do data-augmentation here
        results = (tf.expand_dims(data_, axis=0),)
        return tf.data.Dataset.from_tensor_slices(results)

    dataset_source = tf.data.Dataset.from_tensor_slices(input_tensors)
    dataset = dataset_source.flat_map(pre_processing_func)
    # do something with 'dataset'

Answer 1

据我所知，目前flat_map并未提供并行选项。鉴于大部分计算是在pre_processing_func中完成的，您可以将其用作解决方法的是并行map调用，然后进行一些缓冲，然后使用带有标识的flat_map调用lambda函数负责扁平化输出。

在代码中：

NUM_THREADS = 5
BUFFER_SIZE = 1000

def pre_processing_func(data_):
    # data-augmentation here
    # generate new samples starting from the sample `data_`
    artificial_samples = generate_from_sample(data_)
    return atificial_samples

dataset_source = (tf.data.Dataset.from_tensor_slices(input_tensors).
                  map(pre_processing_func, num_parallel_calls=NUM_THREADS).
                  prefetch(BUFFER_SIZE).
                  flat_map(lambda *x : tf.data.Dataset.from_tensor_slices(x)).
                  shuffle(BUFFER_SIZE)) # my addition, probably necessary though

注意（对我自己和试图理解管道的人）：

由于pre_processing_func从初始样本开始生成任意数量的新样本（以形状(?, 512)的矩阵组织），因此需要flat_map调用将所有生成的矩阵转换为Dataset包含单个样本（因此lambda中为tf.data.Dataset.from_tensor_slices(x)），然后将所有这些数据集展平为一个包含单个样本的大Dataset个。

将.shuffle()数据集或生成的样本打包在一起可能是一个好主意。

使用TensorFlow Dataset API和flat_map的并行线程

1 个答案:

注意（对我自己和试图理解管道的人）：